京公网安备 11010802034615号
经营许可证编号:京B2-20210330
作者 | Jo Stichbury
翻译 | Mika
本文为 CDA 数据分析师原创作品,转载需授权
前言
如今人工智能备受追捧,由于传统软件团队缺乏AI技能,常常会遇到一些挑战。越来越多的企业都开始对人工智能进行投资,并在寻找具有AI技能的人才。
随着市场对AI人才的需求不断增长,许多机构都开始提供相应的培训课程,而且价格和质量各不相同。与其他所有学习一样,在投入大量精力和金钱后,你当然不希望发现浪费了时间却没学到应获得的技能。
那么对于想入门人工智能的人群来说,应该从哪儿开始呢?
本文列出了一些优质AI学习资源。希望在阅读本文后,能帮助你顺利开启AI学习之旅。
在线课程
Udacity
当斯坦福大学教授Sebastian Thrun和Peter Norvig将他们的“人工智能导论”课程免费发布到网上时,Udacity开始了在线课程的尝试。之后Udacity吸引了超过190个国家的16万名学生,并提供AI等一系列技术课程。最近还加入了飞行汽车、无人驾驶汽车和机器人技术领域的一系列“纳米学位”课程,这些课程可以在六个月左右完成,具体取决于你的时间安排,每周需要花10到20个小时。
这些纳米学位课程收费较贵,如果你不想花钱的话,也有许多免费的课程,比如Introduction to AI 和 Introduction to Machine Learning等。
Kaggle
Kaggle是一个数据科学家社区。拥有一个公共数据平台,你可以在其中找到一些有趣的数据集,Kaggle根据数据举办了相关的机器学习比赛。当中也有一些学习资料,这些材料简短但全面,涵盖了机器学习和深度学习等领域。课程强调实用技能而不是抽象理论,所以一开始你就需要动手编程。因此它适合有一定Python基础的初学者,也适合数据科学家来扩展他们的机器学习工具包。
Microsoft和EdX
Microsoft在EdX上的提供了AI专业课程Microsoft Professional Program in AI。该课程旨在面向有抱负的工程师,从人工智能的基本概念入门到掌握为人工智能解决方案构建深度学习模型所需技能。当中提供十门课程,加上一个顶点项目,这些课程都是免费的,如果你需要认证证书则需要付费。当中包含的课程很不错,例如AI所需的数学基础入门,以及数据分析中的伦理学和法律课程。
Coursera
部分课程资料是免费提供的,但若想获得证书必须付款。当中最著名和最受推崇的课程之一就是吴恩达的斯坦福机器学习课程。
其他的Coursera课程在7天免费试用之后会收取费用,你可以免费收看课程视频等内容。在这些课程中,我推荐以下这几个好评最多的课程。
Machine Learning with TensorFlow on Google Cloud Platform Specialization
Advanced Data Science with IBM (as described by Bartleby of the Economist)
NVidia and deeplearning.ai deep learning specialization.
fast.ai
Practical Deep Learning for Coders这一课程在实践性的学习方法方面获得很多好评。
斯坦福大学课程
斯坦福大学的课程在AI领域有极高的声誉。部分课程可以在YouTube上看到,例如卷积神经网络用于视觉识别 (CS231n Convolutional Neural Networks for Visual Recognition)。
Hugo Larochelle的网站包含大量有关深度学习的内容链接,你可以根据自己感兴趣的领域进行学习。
其他资源
Norvig 和Russell的Artificial Intelligence: A Modern Approach 是一本很棒的人工智能书籍。
Peltarion团队写了一本小型电子书 The essential AI handbook for leaders 是很不错的选择,在入门AI时如果没有明确的方向,那么这本书是很好的起点。
超越 AI:Python和统计
如果你打算亲身体验AI,而不仅仅是了解基础知识,那么你需要学习一些编程,因此你很可能会使用到Python。它不仅是一门优秀的语言,而且关于Python还有很多课程和免费书籍:
Kaggle有一个免费的Python课程,学习总时长需14个小时以上,当中包括Python的基础知识。
Udacity上有许多Python的免费课程,包括教授使用NumPy和Pandas库的数据分析入门课程。
以下是Coursera的一些课程:
An introduction to interactive programming with python
Programming for everybody
如果想掌握数据科学背后的数学知识,那么可汗学院是一个不错的选择。当中有不同级别的课程,能够帮助你掌握最困难的概念。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在信贷业务中,违约率是衡量信贷资产质量、把控信用风险、制定风控策略的核心指标,其统计分布特征直接决定了风险定价的合理性、 ...
2026-02-03在数字化业务迭代中,AB测试已成为验证产品优化、策略调整、运营活动效果的核心工具。但多数业务场景中,单纯的“AB组差异对比” ...
2026-02-03企业战略决策的科学性,决定了其长远发展的格局与竞争力。战略分析方法作为一套系统化、专业化的思维工具,为企业研判行业趋势、 ...
2026-02-03在统计调查与数据分析中,抽样方法分为简单随机抽样与复杂抽样两大类。简单随机抽样因样本均匀、计算简便,是基础的抽样方式,但 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02B+树作为数据库索引的核心数据结构,其高效的查询、插入、删除性能,离不开节点间指针的合理设计。在日常学习和数据库开发中,很 ...
2026-01-30在数据库开发中,UUID(通用唯一识别码)是生成唯一主键、唯一标识的常用方式,其标准格式包含4个短横线(如550e8400-e29b-41d4- ...
2026-01-30商业数据分析的价值落地,离不开标准化、系统化的总体流程作为支撑;而CDA(Certified Data Analyst)数据分析师,作为经过系统 ...
2026-01-30在数据分析、质量控制、科研实验等场景中,数据波动性(离散程度)的精准衡量是判断数据可靠性、稳定性的核心环节。标准差(Stan ...
2026-01-29在数据分析、质量检测、科研实验等领域,判断数据间是否存在本质差异是核心需求,而t检验、F检验是实现这一目标的经典统计方法。 ...
2026-01-29统计制图(数据可视化)是数据分析的核心呈现载体,它将抽象的数据转化为直观的图表、图形,让数据规律、业务差异与潜在问题一目 ...
2026-01-29箱线图(Box Plot)作为数据分布可视化的核心工具,能清晰呈现数据的中位数、四分位数、异常值等关键统计特征,广泛应用于数据分 ...
2026-01-28在回归分析、机器学习建模等数据分析场景中,多重共线性是高频数据问题——当多个自变量间存在较强的线性关联时,会导致模型系数 ...
2026-01-28数据分析的价值落地,离不开科学方法的支撑。六种核心分析方法——描述性分析、诊断性分析、预测性分析、规范性分析、对比分析、 ...
2026-01-28在机器学习与数据分析领域,特征是连接数据与模型的核心载体,而特征重要性分析则是挖掘数据价值、优化模型性能、赋能业务决策的 ...
2026-01-27关联分析是数据挖掘领域中挖掘数据间潜在关联关系的经典方法,广泛应用于零售购物篮分析、电商推荐、用户行为路径挖掘等场景。而 ...
2026-01-27数据分析的基础范式,是支撑数据工作从“零散操作”走向“标准化落地”的核心方法论框架,它定义了数据分析的核心逻辑、流程与目 ...
2026-01-27在数据分析、后端开发、业务运维等工作中,SQL语句是操作数据库的核心工具。面对复杂的表结构、多表关联逻辑及灵活的查询需求, ...
2026-01-26支持向量机(SVM)作为机器学习中经典的分类算法,凭借其在小样本、高维数据场景下的优异泛化能力,被广泛应用于图像识别、文本 ...
2026-01-26